CN114529450B - 基于改进深度迭代协作网络的人脸图像超分辨方法 - Google Patents
基于改进深度迭代协作网络的人脸图像超分辨方法 Download PDFInfo
- Publication number
- CN114529450B CN114529450B CN202210084423.0A CN202210084423A CN114529450B CN 114529450 B CN114529450 B CN 114529450B CN 202210084423 A CN202210084423 A CN 202210084423A CN 114529450 B CN114529450 B CN 114529450B
- Authority
- CN
- China
- Prior art keywords
- network
- resolution
- module
- image
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 41
- 238000010586 diagram Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000001815 facial effect Effects 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 10
- 239000010410 layer Substances 0.000 claims description 79
- 238000012805 post-processing Methods 0.000 claims description 19
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 8
- 239000011229 interlayer Substances 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 4
- 238000005215 recombination Methods 0.000 claims description 4
- 230000006798 recombination Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000008521 reorganization Effects 0.000 description 2
- 101100247599 Hordeum vulgare RCAB gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于改进深度迭代协作网络的人脸图像超分辨方法,包括:1)前期数据处理,得到低分辨率人脸图像数据;2)将低分辨率人脸图像输入图像超分辨子网络,由其浅层特征提取模块对人脸图像进行处理得到浅层特征;3)浅层特征和先验信息提取子网络在上一次迭代过程的输出送入图像超分辨子网络,得到高分辨率特征,再由其重建模块对高分辨率特征进行重建得到高分辨率图像;4)将高分辨率图像输入到先验信息提取子网络中,同时输出人脸关键点热力图、语义解析图和中间层特征;5)重复步骤3)和4),迭代N次后得到最终的高分辨率图像输出。本发明充分考虑了人脸图像的结构信息,对人脸图像的超分辨效果更好,参数规模更小,时间开销也更小。
Description
技术领域
本发明涉及深度学习图像处理的技术领域,尤其是指一种基于改进深度迭代协作网络的人脸图像超分辨方法。
背景技术
图像超分辨是指把低分辨率图像恢复成高分辨率图像,而人脸图像超分辨是图像超分辨技术在人脸领域的特定应用。许多人脸领域相关的技术,比如人脸识别或者人脸美化,应用在低分辨率人脸图像上性能会极度下降。然而在现实场景中,由于拍摄设备、距离和噪音的影响,常常只有低分辨率的人脸图像。因此,人脸图像超分辨对于这些人脸领域相关的技术至关重要。
随着深度学习在图像领域大放异彩,近年来基于深度学习的图像超分辨技术成为了研究热点,其中基于深度学习的人脸图像超分辨方法可以大致分为两种:1、朴素的人脸图像超分辨方法,这类方法把人脸图像当成普通图像进行超分辨处理,没有考虑到人脸图像的特殊性,因此这类方法的性能受到了限制;2、利用了人脸先验知识的超分辨方法,这类方法利用了人脸图像的特殊性,比如人脸的特殊结构、人脸的属性信息等,因此这类方法往往能够取得更好的超分辨效果
在2020年,有学者提出了用于人脸图像超分辨的深度迭代协作网络,该网络利用两个子网络来分别进行人脸图像的超分辨处理和人脸图像的关键点预测,这两个子网络迭代合作,互相促进,最终产生良好的超分辨图像。但是该网络没充分利用人脸结构信息,并且网络参数较多,空间开销大,同时由于迭代的次数较多,时间开销也比较大。
发明内容
本发明的目的在于针对现有的深度迭代协作网络的不足、考虑人脸结构信息未充分利用、模型参数规模大、空间和时间开销等问题,提出了一种基于改进深度迭代协作网络的人脸图像超分辨方法,该方法充分利用人脸结构信息来促进图像的超分辨过程,通过训练可以不断优化网络,提高人脸图像的超分辨效果。
为实现上述目的,本发明所提供的技术方案为:基于改进深度迭代协作网络的人脸图像超分辨方法,该方法是基于改进深度迭代协作网络进行单人脸图像的超分辨重建处理,该改进深度迭代协作网络是对原来深度迭代协作网络的图像超分辨子网络和先验信息提取子网络都进行了改进;其中,对图像超分辨子网络的改进是:提出了一种使用空间注意力机制和通道注意力机制的功能模块,以充分利用人脸的先验特征,该模块称为FSAU模块,使用通过稠密连接的六个FSAU模块和一个卷积层去替换原来图像超分辨子网络的注意力融合模块和循环超分辨模块,以增强图像超分辨子网络的人脸图像超分辨重建能力;对先验信息提取子网络的改进是:在原本的一个后处理模块的基础上,再增加一个后处理模块,两个后处理模块并行地对先验信息提取子网络的中间层特征进行处理,使得先验信息提取子网络能够同时预测人脸关键点热力图和人脸语义解析图,并同时输出人脸关键点热力图、人脸语义解析图和中间层特征;
该人脸图像超分辨方法的具体实施包括以下步骤:
1)前期数据处理:将原始数据集进行归一化和标准化,得到处理后的低分辨率人脸图像数据;
2)将处理后的低分辨率人脸图像数据输入图像超分辨子网络,通过图像超分辨子网络的浅层特征提取模块对人脸图像进行处理得到浅层特征;
3)把浅层特征和先验信息提取子网络在上一次迭代过程的输出送入到图像超分辨子网络的通过稠密连接的六个FSAU模块,接着用一个卷积层来压缩这六个FSAU模块的输出,得到高分辨率特征,再由图像超分辨子网络的重建模块对高分辨率特征进行重建得到高分辨率图像;
4)将高分辨率图像输入到先验信息提取子网络中,该先验信息提取子网络同时输出人脸关键点热力图IL、人脸语义解析图IP和中间层特征fm,由此完成一次迭代过程;
5)重复步骤3)和4),迭代N次后得到最终的高分辨率图像输出。
进一步,在步骤1)中,归一化的公式为:
式中,x为原始图像中的像素值,y为归一化后的图像像素值;
标准化的公式为:
式中,μ为归一化后像素值的平均值,σ为归一化后像素值的方差,z为标准化后的像素值;
通过上述两个数据处理过程,能够提高网络在训练时的收敛速度。
进一步,在步骤2)中,浅层特征提取模块包括一个卷积层和一个像素重组层。
进一步,在步骤3)中,重建模块依次由一个卷积层、一个像素重组层、一个反卷积层和一个卷积层组成;
FSAU模块由两组平行的残差通道注意力模块组、一个注意力层、一个卷积层、两个残差通道注意力模块、一个反卷积层和一个卷积层组成,其中每组残差通道注意力模块组包含两个残差通道注意力模块,将来自先验信息提取子网络的人脸关键点热力图IL和人脸语义解析图IP处理后得到两张空间注意力掩模ML和MP,在每个FSAU模块中,给定输入X,FSAU模块先用两组残差通道注意力模块组从输入X中提取出两组特征,随后这两组特征分别与空间注意力掩模ML和MP相乘,从而到人脸的全局特征和局部特征,将人脸的全局特征和局部特征通过相加进行融合后,与来自先验信息提取子网络的中间层特征fm进行拼接,拼接后得到的特征依次经过FSAU模块剩余的一个注意力层、一个卷积层、两个残差通道注意力模块、一个反卷积层和一个卷积层,最后与输入X相加得到FSAU模块的输出Y。
进一步,在步骤4)中,把图像超分辨子网络生成的高分辨率图像输入到先验信息提取子网络,得到人脸关键点热力图IL、人脸语义解析图IP和中间层特征fm,先验信息提取子网络由一个预处理模块、一个沙漏网络模块和两个后处理模块组成,其中的预处理模块依次由一个卷积层、一个残差块、一个最大值池化层和两个残差块组成,后处理模块由一个残差块和一个卷积层组成,输入的高分辨率图像依次经过预处理模块和沙漏网络模块的处理,得到中间层特征fm,中间层特征fm分别输入到两个后处理模块,分别得到人脸关键点热力图IL和人脸语义解析图IP,最终,先验信息提取子网络同时输出人脸关键点热力图IL、人脸语义解析图IP和中间层特征fm。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明针对原本深度迭代协作网络的缺点,充分考虑人脸图像的结构信息,在原本深度迭代协作网络的框架上进行改进。首先,对图像超分辨子网络的改进,提出了一种使用空间注意力机制和通道注意力机制的功能模块,称为FSAU模块,FSAU模块先利用空间注意力机制来提取人脸的全局特征和局部特征,并将二者融合,接着利用通道注意力机制进一步融合来自先验信息提取子网络的中间层特征,提出的FSAU模块有效提升网络的超分辨率性能。其次,对先验信息提取子网络进行改进,再增加了一个后处理块,使其能够同时预测人脸关键点热力图和语义解析图,并且也输出了中间层特征。改进后的深度迭代协作网络对人脸图像的超分辨效果更好,并且参数规模更小,时间开销也更小。
2、本发明具有广泛的应用前景,把人脸图像超分辨技术应用于人脸检测,给环境条件复杂的人脸识别任务提供有效的帮助,提高人脸识别的精确度。除此之外,本发明还可以应用于其它人脸领域相关的技术,比如人脸美化等,具有一定的市场与前景,值得推广。
附图说明
图1为本发明方法的总体框架图;图中UpSample方块为上采样操作,Pixelshuffle为像素重组层,ResBlock为残差块,Hourglass Blcok为沙漏网络模块,Softmax方块为softmax函数,为矩阵对应位置的加法操作。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1和图2所示,本实施例所提供的基于改进深度迭代协作网络的人脸图像超分辨方法,主要是基于改进深度迭代协作网络进行单人脸图像的超分辨重建处理,该改进深度迭代协作网络是对原来深度迭代协作网络的图像超分辨子网络和先验信息提取子网络都进行了改进;其中,对图像超分辨子网络的改进是:提出了一种使用空间注意力机制和通道注意力机制的功能模块,以充分利用人脸的先验特征,该模块称为FSAU模块,使用通过稠密连接的六个FSAU模块和一个卷积层去替换原来图像超分辨子网络的注意力融合模块和循环超分辨模块,以增强图像超分辨子网络的人脸图像超分辨重建能力;对先验信息提取子网络的改进是:在原本的一个后处理模块的基础上,再增加一个后处理模块,两个后处理模块并行地对先验信息提取子网络的中间层特征进行处理,使得先验信息提取子网络能够同时预测人脸关键点热力图和人脸语义解析图,并同时输出人脸关键点热力图、人脸语义解析图和中间层特征。该方法的具体实施包括以下步骤:
1)前期数据处理:将原始数据集进行归一化和标准化,得到处理后的低分辨率人脸图像数据LR;其中,归一化的公式为:
式中,x为原始图像中的像素值,y为归一化后的图像像素值;
标准化的公式为:
式中,μ为归一化后像素值的平均值,σ为归一化后像素值的方差,z为标准化后的像素值;
通过上述两个数据处理过程,能够提高网络在训练时的收敛速度。
2)将处理后的低分辨率人脸图像数据LR输入图像超分辨子网络,图像超分辨子网络的浅层特征提取模块对人脸图像进行处理得到浅层特征;其中,浅层特征提取模块包括一个卷积层和一个像素重组层。
3)把浅层特征和先验信息提取子网络在上一次迭代过程的输出送入到图像超分辨子网络的通过稠密连接的六个FSAU模块,接着用一个卷积层来压缩这六个FSAU模块的输出,得到高分辨率特征,再由图像超分辨子网络的重建模块对高分辨率特征进行重建得到高分辨率图像HR;其中:
重建模块依次由一个卷积层、一个像素重组层、一个反卷积层和一个卷积层组成;
FSAU模块由两组平行的残差通道注意力模块组、一个注意力层、一个卷积层、两个残差通道注意力模块、一个反卷积层和一个卷积层组成,其中每组残差通道注意力模块组包含两个残差通道注意力模块,将来自先验信息提取子网络的人脸关键点热力图IL和人脸语义解析图IP处理后得到两张空间注意力掩模ML和MP,在每个FSAU模块中,给定输入X,FSAU模块先用两组残差通道注意力模块组从输入X中提取出两组特征,随后这两组特征分别与空间注意力掩模ML和MP相乘,从而到人脸的全局特征和局部特征,将人脸的全局特征和局部特征通过相加进行融合后,与来自先验信息提取子网络的中间层特征fm进行拼接,拼接后得到的特征依次经过FSAU模块剩余的一个注意力层、一个卷积层、两个残差通道注意力模块、一个反卷积层和一个卷积层,最后与输入X相加得到FSAU模块的输出Y。
4)把图像超分辨子网络生成的高分辨率图像输入到先验信息提取子网络,该先验信息提取子网络同时输出人脸关键点热力图IL、人脸语义解析图IP和中间层特征fm,由此完成一次迭代过程;其中:
先验信息提取子网络由一个预处理模块、一个沙漏网络模块和两个后处理模块组成,其中的预处理模块依次由一个卷积层、一个残差块、一个最大值池化层和两个残差块组成,后处理模块由一个残差块和一个卷积层组成,输入的高分辨率图像依次经过预处理模块和沙漏网络模块的处理,得到中间层特征fm,中间层特征fm分别输入到两个后处理模块,分别得到人脸关键点热力图IL和人脸语义解析图IP,最终,先验信息提取子网络同时输出人脸关键点热力图IL、人脸语义解析图IP和中间层特征fm。
5)重复步骤3)和4),迭代N次后得到最终的高分辨率图像输出HR。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (1)
1.基于改进深度迭代协作网络的人脸图像超分辨方法,其特征在于,该方法是基于改进深度迭代协作网络进行单人脸图像的超分辨重建处理,该改进深度迭代协作网络是对原来深度迭代协作网络的图像超分辨子网络和先验信息提取子网络都进行了改进;其中,对图像超分辨子网络的改进是:提出了一种使用空间注意力机制和通道注意力机制的功能模块,以充分利用人脸的先验特征,该模块称为FSAU模块,使用通过稠密连接的六个FSAU模块和一个卷积层去替换原来图像超分辨子网络的注意力融合模块和循环超分辨模块,以增强图像超分辨子网络的人脸图像超分辨重建能力;对先验信息提取子网络的改进是:在原本的一个后处理模块的基础上,再增加一个后处理模块,两个后处理模块并行地对先验信息提取子网络的中间层特征进行处理,使得先验信息提取子网络能够同时预测人脸关键点热力图和人脸语义解析图,并同时输出人脸关键点热力图、人脸语义解析图和中间层特征;
该人脸图像超分辨方法的具体实施包括以下步骤:
1)前期数据处理:将原始数据集进行归一化和标准化,得到处理后的低分辨率人脸图像数据;
归一化的公式为:
式中,x为原始图像中的像素值,y为归一化后的图像像素值;
标准化的公式为:
式中,μ为归一化后像素值的平均值,σ为归一化后像素值的方差,z为标准化后的像素值;
通过上述两个数据处理过程,能够提高网络在训练时的收敛速度;
2)将处理后的低分辨率人脸图像数据输入图像超分辨子网络,通过图像超分辨子网络的浅层特征提取模块对人脸图像进行处理得到浅层特征;浅层特征提取模块包括一个卷积层和一个像素重组层;
3)把浅层特征和先验信息提取子网络在上一次迭代过程的输出送入到图像超分辨子网络的通过稠密连接的六个FSAU模块,接着用一个卷积层来压缩这六个FSAU模块的输出,得到高分辨率特征,再由图像超分辨子网络的重建模块对高分辨率特征进行重建得到高分辨率图像;
重建模块依次由一个卷积层、一个像素重组层、一个反卷积层和一个卷积层组成;
FSAU模块由两组平行的残差通道注意力模块组、一个注意力层、一个卷积层、两个残差通道注意力模块、一个反卷积层和一个卷积层组成,其中每组残差通道注意力模块组包含两个残差通道注意力模块,将来自先验信息提取子网络的人脸关键点热力图IL和人脸语义解析图IP处理后得到两张空间注意力掩模ML和MP,在每个FSAU模块中,给定输入X,FSAU模块先用两组残差通道注意力模块组从输入X中提取出两组特征,随后这两组特征分别与空间注意力掩模ML和MP相乘,从而到人脸的全局特征和局部特征,将人脸的全局特征和局部特征通过相加进行融合后,与来自先验信息提取子网络的中间层特征fm进行拼接,拼接后得到的特征依次经过FSAU模块剩余的一个注意力层、一个卷积层、两个残差通道注意力模块、一个反卷积层和一个卷积层,最后与输入X相加得到FSAU模块的输出Y;
4)将高分辨率图像输入到先验信息提取子网络中,该先验信息提取子网络同时输出人脸关键点热力图IL、人脸语义解析图IP和中间层特征fm,由此完成一次迭代过程;
把图像超分辨子网络生成的高分辨率图像输入到先验信息提取子网络,得到人脸关键点热力图IL、人脸语义解析图IP和中间层特征fm,先验信息提取子网络由一个预处理模块、一个沙漏网络模块和两个后处理模块组成,其中的预处理模块依次由一个卷积层、一个残差块、一个最大值池化层和两个残差块组成,后处理模块由一个残差块和一个卷积层组成,输入的高分辨率图像依次经过预处理模块和沙漏网络模块的处理,得到中间层特征fm,中间层特征fm分别输入到两个后处理模块,分别得到人脸关键点热力图IL和人脸语义解析图IP,最终,先验信息提取子网络同时输出人脸关键点热力图IL、人脸语义解析图IP和中间层特征fm;
5)重复步骤3)和4),迭代N次后得到最终的高分辨率图像输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210084423.0A CN114529450B (zh) | 2022-01-25 | 2022-01-25 | 基于改进深度迭代协作网络的人脸图像超分辨方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210084423.0A CN114529450B (zh) | 2022-01-25 | 2022-01-25 | 基于改进深度迭代协作网络的人脸图像超分辨方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114529450A CN114529450A (zh) | 2022-05-24 |
CN114529450B true CN114529450B (zh) | 2023-04-25 |
Family
ID=81621540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210084423.0A Active CN114529450B (zh) | 2022-01-25 | 2022-01-25 | 基于改进深度迭代协作网络的人脸图像超分辨方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114529450B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115358929B (zh) * | 2022-10-19 | 2023-03-24 | 中科方寸知微(南京)科技有限公司 | 压缩图像超分方法、图像压缩方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340708A (zh) * | 2020-03-02 | 2020-06-26 | 北京理工大学 | 一种根据先验信息快速生成高分辨率完整人脸图像的方法 |
CN112750082A (zh) * | 2021-01-21 | 2021-05-04 | 武汉工程大学 | 基于融合注意力机制的人脸超分辨率方法及*** |
WO2021134872A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳市爱协生科技有限公司 | 基于生成对抗网络的马赛克人脸图像超分辨率重建方法 |
CN113658040A (zh) * | 2021-07-14 | 2021-11-16 | 西安理工大学 | 一种基于先验信息和注意力融合机制的人脸超分辨方法 |
-
2022
- 2022-01-25 CN CN202210084423.0A patent/CN114529450B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021134872A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳市爱协生科技有限公司 | 基于生成对抗网络的马赛克人脸图像超分辨率重建方法 |
CN111340708A (zh) * | 2020-03-02 | 2020-06-26 | 北京理工大学 | 一种根据先验信息快速生成高分辨率完整人脸图像的方法 |
CN112750082A (zh) * | 2021-01-21 | 2021-05-04 | 武汉工程大学 | 基于融合注意力机制的人脸超分辨率方法及*** |
CN113658040A (zh) * | 2021-07-14 | 2021-11-16 | 西安理工大学 | 一种基于先验信息和注意力融合机制的人脸超分辨方法 |
Non-Patent Citations (4)
Title |
---|
Cheng Ma等.Deep face super-resolution with iterative collaboration between attentive recovery and landmark estimation.《2020 IEEE/CVF Conference on computer vision and pattern recognition》.2020,5568-5577. * |
CSDN.人脸超分辨率阅读论文汇总.《http://blog.csdn.net/qq_37122156/article/details/114701981》.2021,全文. * |
Ruirong Lin等.Residual Channel Attention Connection Network for Reference-based Image Super-resolution.《2021 International Conference on Information, Cybernetics, and Computational Social Systems (ICCSS)》.2021,307-312. * |
刘颖 ; 董占龙 ; 卢津 ; 王富平 ; .多注意力域的稠密连接人脸超分算法.计算机工程与应用.2019,(第20期),185-191. * |
Also Published As
Publication number | Publication date |
---|---|
CN114529450A (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275618B (zh) | 一种基于双支感知的深度图超分辨率重建网络构建方法 | |
Liu et al. | An attention-based approach for single image super resolution | |
CN112884758B (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及*** | |
CN113554032B (zh) | 基于高度感知的多路并行网络的遥感图像分割方法 | |
CN114529450B (zh) | 基于改进深度迭代协作网络的人脸图像超分辨方法 | |
Fan et al. | Global sensing and measurements reuse for image compressed sensing | |
CN114266957A (zh) | 一种基于多降质方式数据增广的高光谱图像超分辨率复原方法 | |
CN115660979A (zh) | 一种基于注意力机制的双判别器图像修复方法 | |
CN115240201A (zh) | 利用汉字骨架信息减缓网络模式崩溃问题的汉字生成方法 | |
CN109272450B (zh) | 一种基于卷积神经网络的图像超分方法 | |
Dai et al. | CFGN: A lightweight context feature guided network for image super-resolution | |
CN117078921B (zh) | 一种基于多尺度边缘信息的自监督小样本汉字生成方法 | |
CN110728683B (zh) | 一种基于密集连接的图像语义分割方法 | |
CN117058392A (zh) | 一种基于卷积局部增强的多尺度Transformer图像语义分割方法 | |
CN117036171A (zh) | 单幅图像的蓝图可分离残差平衡蒸馏超分辨率重建模型及方法 | |
CN115660984A (zh) | 一种图像高清还原方法、装置及存储介质 | |
CN113658046B (zh) | 基于特征分离的超分辨率图像生成方法、装置、设备和介质 | |
Ma et al. | Cloud-egan: Rethinking cyclegan from a feature enhancement perspective for cloud removal by combining cnn and transformer | |
CN115331081A (zh) | 图像目标检测方法与装置 | |
CN115527258A (zh) | 一种基于身份信息响应的人脸交换方法 | |
Zhu et al. | HDRD-Net: High-resolution detail-recovering image deraining network | |
CN113362240A (zh) | 一种基于轻量级特征金字塔模型的图像修复方法 | |
CN115393491A (zh) | 一种基于实例分割和参考帧的水墨视频生成方法及装置 | |
Yang et al. | Reference-based Image Super-Resolution by Dual-Variational AutoEncoder | |
Zeng et al. | Swin-CasUNet: cascaded U-Net with Swin Transformer for masked face restoration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |